Setup Menus in Admin Panel

Time Series

Data deret waktu merupakan data yang dicatat/dikumpulkan berdasarkan periode waktu tertentu (tahunan, semester, triwulan, bulanan, mingguan dan harian). Pada deret waktu terdapat empat pola data yaitu:

  1. => Pola data horizontal, yang terjadi bila data berfluktuasi di sekitar rata-rata yang konstan.
  2. => Pola data musiman, yang terjadi ketika suatu deret dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu).
  3. => Pola data siklis, yaitu ketika data dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis.
  4. => Pola data trend, terjadi bilamana kenaikan atau penurunan sekuler jangka panjang dalam data.

 

Ruang lingkup analisis deret waktu yaitu pemulusan (smoothing), merupakan pendekatan yang dilakukan dengan memuluskan data sehingga pola utama data menjadi lebih jelas. Metode yang digunakan pada smoothing adalah Moving Average, Exponential Smoothing dan Metode Winter. Tujuan dari smoothing adalah membantu melihat pattern atau polanya sehingga bisa melihat atau meramalkan pola untuk data berikutnya. Ruang lingkup selanjutnya yaitu Pemodelan (Modelling), pendekatan yang dilakukan adalah mengembangkan model tertentu di dalam mengenali pola data, model yang pada analisis deret waktu yaitu ARIMA, ARCH, dan GARCH.

Penerapan deret waktu biasanya digunakan dalam data konsumsi, data investasi, data ekspor, data IHSG, data pengangguran, data produksi tanaman, dan data lainnya yang dicatat dari waktu ke waktu tahunan, semesteran, triwulanan, bulanan, mingguan dan harian.

Pengantar analisis deret waktu

  • => Data deret waku
  • => Pola data deret waktu (Konstan, trend, siklis, musiman)
  • => Metode analisis deret waktu
  • => Smoothing dan modeling

 

Metode Smoothing

  • => Konsep dasar smoothing
  • => Macam-macam metode smoothing
  • => Moving average, exponensial, winter

 

Metode moving average

  • => Tujuan moving average
  • => Single moving average
  • => Konsep dasar single moving average
  • => Tahap peramalan
  • => Double moving average
  • => Konsep dasar doublemoving average
  • => Tahap peramalan
  • => Contoh

 

Metode exponential

  • => Tujuan metode eksponensial
  • => Single exponential
  • => Konsep dasar
  • => Tahapan peramalan
  • => Double exponential
  • => Konsep dasar
  • => Tahapan peramalan
  • => Contoh

 

Pemilihan metode

  • => Tujuan metode eksponensial
  • => Single exponential
  • => Konsep dasar
  • => Tahapan peramalan
  • => Double exponential
  • => Konsep dasar
  • => Tahapan peramalan
  • => Contoh

 

Stasioneritas

  • => Stasioner ragam
  • => Stasioner rata-rata
  • => Contoh pola data stasioner/tidak stasioner
  • => ACF
  • => PACF
  • => Pengujian stasioneritas

 

Model ARMA (model data stasioner)

  • => Model AR
  • => Model MA
  • => Model ARMA
  • => Identifikasi model

 

Model ARIMA (Model data tidak stasioner)

  • => Difference
  • => Model ARIMA
  • => Identifikasi model ARIMA

 

Peramalan dengan model ARIMA

  • => Identifikasi model
  • => Menentukan model tentatif
  • => Menduga parameter
  • => Memeriksa kelayakan model
  • => Mentukan model yang paling baik
  • => Melakukan peramalan

Lama Pelatihan : 4 Jam

Copyright © 2018 PT. Angsa Statistika Indonesia